Une nouvelle approche pour représenter les descripteurs Haar-Like tournés appliqués à la détection de visages dans une image.

Abstract

Cette thèse présenté une méthode générique pour la détection des visages, prises dans des situations variées, dans une image donnée en se basant sur les descripteurs Haar-Like tournés. Cette approche de traitement de données conduit à une extraction d’informations de meilleure qualité et plus fiable que celle obtenue à partir de l’utilisation, seulement, des descripteurs normaux. Dans ce travail nous avons présenté une nouvelle approche pour détecter des visages tournés par n’importe quel angle (45°, 26.5°, 54.46°, 9.46°, etc.) dans une image. Cette approche peut être étendue pour permettre la détection de n’importe quel objet dans une image. Notre idée s’articule autour de deux parties. La première partie consiste à déterminer un ensemble de descripteurs tournés par des angles s’écrivant sous la forme artcan (Y/X) tel que Y est X sont des entiers positifs. Ces descripteurs sont basés sur ceux normaux proposés par Voila et Jones. Le nombre de ces descripteurs varie selon la taille de la fenêtre de balayage utilisée lors de la phase d’apprentissage. La deuxième partie propose une méthode permettant de calculer une valeur approximative de l’image intégrale d’in descripteur Haar-Like. Le principe de notre méthode consiste à diviser le rectangle encapsulant celui tourné en un ensemble de rectangles normaux, ensuite calculer la valeur de son image intégrale en fonction de celles de ces rectangles normaux. Cette proposition permet de limiter la fréquence d’accès à la mémoire qui est inférieur ou égale à 8, ce qui légitime la vitesse de détecter les visages. Elle accorde aussi l’utilisation d’une seule image intégrale, pour de détecter les visages. Elle accorde aussi l’utilisation d’une seul image intégrale, pour chaque session de détection, exploitée parles descripteurs normaux et tournés. Ces méthodes ont été testées sur deux bases de données (UMIST et CMU-PIE) contenant un ensemble de visages satisfaisant des contraintes de l’échelle, location, l’orientation, la pose, les expressions faciales, les conditions d’illumination, etc. Les résultats ainsi obtenus mettent en lumière leurs bonnes performances et notamment le taux de détection.